美文网首页
基于物品的协同过滤算法的Python实现

基于物品的协同过滤算法的Python实现

作者: MiAlexFeng | 来源:发表于2019-11-08 14:20 被阅读0次

    作者:冯向博
    微信:supermvn
    介绍:推荐系统学习整理

    目录

    一. 基于物品的协同过滤
    二. 物品相似度计算与实现
    三. ICF 的推荐实现
    四. 总结一下
    五. 练习

    一. 基于物品的协同过滤

    基于物品的协同过滤,是将用户 Aitem 物品最相近(关联)的物品集合 items 推荐给用户 A
    给用户 A 推荐之前喜欢过的物品 item 最相近的物品 items
    itemitems 列表里的物品相近(相似)程度,可以从用户以往的打分(购买、点击、收藏)等的物品统计数据来计算。

    例如:


    image

    左上数据是用户以往的购买物品数据
    右上是单个物品所有用户购买的统计数据矩阵
    下左是统计user_1中物品之间购买关系统计数据矩阵
    下中是user_1+user_2中物品之间购买关系统计数据矩阵
    下右是user_1+user_2+user_3中物品之间购买关系统计数据矩阵

    最终我们会有一个单个物品的所有用户购买的统计记录和一个所有用户的物品之间购买关系的统计数据矩阵。

    我们可以用这两个矩阵计算出物品相似度矩阵。

    步骤如下:
    1.输入 user-item-rating 数据矩阵
    2.计算 item-item 相似度矩阵
    3.根据相似度求评分

    二. 一物品相似度计算与实现

    计算两个物品的相似度,我们将所以用户的购买数据进行统计计算,计算两个物品的相似度。
    我们会构建一个如下图的数据出来

    image

    相似度我们可以通过统计相同的 items1 个数与他们购买的 items 个数的平均值的比值来表示。
    具体的代码实现如下

    def item_sim(d):
        '''
        :param data: {user_id:{item_id:rating}}
        :return: {item_id:{item_id:sim_rating}} 物品相似度矩阵
        '''
        item_item_same_cnt = dict()
        item_user_cnt = dict()
    
        for u, items in d.items():
            for i in items:
                if item_user_cnt.get(i, -1) == -1:
                    item_user_cnt[i] = 0
                item_user_cnt[i] += 1
    
                if item_item_same_cnt.get(i, -1) == -1:
                    item_item_same_cnt[i] = dict()
    
                for j in items:
                    if i == j:
                        continue
                    elif item_item_same_cnt[i].get(j, -1) == -1:
                        item_item_same_cnt[i][j] = 0
                    item_item_same_cnt[i][j] += 1
    
        W = dict()
        for i, related_items in item_item_same_cnt.items():
            if W.get(i, -1) == -1:
                W[i] = dict()
    
            for j, cij in related_items.items():
                if W[i].get(j, -1) == -1:
                    W[i][j] = 0
                W[i][j] += 2 * cij / ((item_user_cnt[i] + item_user_cnt[j]) * 1.0)
    
        return W
    

    三. ICF 的推荐实现

    这一步主要根据相似度求评分进行推荐

    def recommend(user, d, item_item_sim, k):
        '''
        :param user: 用户id
        :param d: user-item-rating 矩阵
        :param item_item_sim: 物品相似度矩阵
        :param k: 推荐个数
        :return: icf推荐列表
        '''
        rank = dict()
        Ru = d[user]
    
        for i, rating in Ru.items():
            for j, sim in sorted(item_item_sim[i].items(), key=operator.itemgetter(1), reverse=True)[0:k]:
                if j in Ru:
                    continue
                elif rank.get(j, -1) == -1:
                    rank[j] = 0
                rank[j] += sim * rating
        return rank
    

    四. 总结一下

    1. ICF的数据处理步骤
    2. 物品相似度矩阵计算实现算法
    3. 使用物品相似度进行评分推荐的算法实现
    4. ICF算法和UCF算法有相同的地方,可以对比一下

    五. 练习

    1. 了解ICF推荐的总体步骤、总体框架,建立总体的概念和流程。
    2. 物品相似度矩阵算法实现部分,需要掌握基本算法。
    3. 掌握ICF的相似用户评分推荐实现,需要掌握练习。

    微信公众号

    相关文章

      网友评论

          本文标题:基于物品的协同过滤算法的Python实现

          本文链接:https://www.haomeiwen.com/subject/jkqpbctx.html